使用 Python 进行 AI – 基础概念

AI 与 Python – 入门概念

自计算机发明以来，它们执行各种任务的能力呈指数级增长。人类在计算机系统的工作领域、处理速度和物理尺寸减小方面不断进行改进。

人工智能（Artificial Intelligence, AI）是计算机科学的一个分支，致力于创建能够展现与人类智能媲美的计算机或机器。

人工智能（AI）的基本概念

约翰·麦卡锡（John McCarthy），通常被认为是人工智能之父，他将 AI 定义为：“制造智能机器，特别是智能计算机程序的科学与工程。”

人工智能旨在使计算机、计算机控制的机器人或软件能够像人类一样思考和行动。这是通过研究人类大脑如何思考、学习、做决策和解决问题来实现的，然后将这些见解应用于开发智能软件和系统。

人工智能的探索始于一个根本性的问题：“机器能像人类一样思考和行为吗？” 这种好奇心推动着 AI 的持续发展，努力为机器注入我们看重的人类智能。

学习 AI 的重要性

在现代世界，理解和开发 AI 至关重要，原因如下：

AI 从数据中学习

我们被海量数据（大数据）所包围，这些数据往往过于复杂或数量庞大，人类难以有效处理。AI 系统可以从这些数据中学习模式和洞察，从而以高精度自动化重复性任务，并且不会感到疲劳。

AI 系统可以适应和改进

数据环境不断变化。支持 AI 的系统，特别是使用机器学习（Machine Learning, ML）的系统，可以持续学习并适应新数据，随时间推移更新知识并提高性能。这种自我改进能力对于动态环境至关重要。

AI 实现实时响应

AI 通过神经网络（Neural Networks）和强化学习（Reinforcement Learning）等技术驱动，可以分析复杂情况并实时响应。这对于自动驾驶汽车、欺诈检测和动态资源分配等应用至关重要。

AI 实现高准确性

通过先进的算法，特别是深度学习（Deep Learning），AI 可以在图像识别、自然语言理解和医疗诊断（例如，从医疗扫描图像中识别癌症）等任务中实现卓越的准确性。

AI 组织和利用数据

数据是宝贵的资产。AI 帮助构建、索引和从数据中提取有意义的信息，将原始数据转化为可操作的智能，并实现更好的决策。

理解智能本身

构建 AI 系统迫使我们深入探讨智能的本质。通过尝试复制智能，我们可以更好地理解我们自身的认知过程以及智能行为背后的原理。

什么是智能？

智能可以定义为一个系统的能力，包括：推理、从经验中学习、解决问题、感知复杂概念和关系、理解和使用自然语言、分类和泛化信息、存储和检索记忆以及适应新情况。

智能的类型

美国发展心理学家霍华德·加德纳（Howard Gardner）提出了多元智能理论，认为智能并非单一的、整体的概念，而是由一系列独特能力组成的集合。其中包括以下几种：

智能类型	描述	示例
语言智能	指说话、识别和运用语音（发音）、句法（语法）和语义（意义）机制的能力。	作家、演说家、诗人
音乐智能	指创造、交流和理解由声音组成的意义的能力，包括音高、节奏和音色。	音乐家、歌手、作曲家
逻辑-数学智能	指使用和理解关系、逻辑模式和抽象概念的能力。涉及演绎推理和归纳推理。	数学家、科学家、逻辑学家
空间智能	指感知、转换和重新创建视觉或空间信息的能力。涉及理解三维空间。	建筑师、艺术家、导航员、外科医生
身体-动觉智能	指运用自己的身体或身体部位来解决问题或创造产品的能力。涉及对运动技能的控制。	运动员、舞者、手工艺者、外科医生
内省智能	指理解自己的感受、意图、动机、优点和缺点。	哲学家、心理学家、精神领袖
人际智能	指识别并区分他人感受、信仰、意图和动机的能力。	领导者、教师、治疗师、销售人员

一个人工智能系统可能被设计用于擅长其中一种或多种智能类型。

智能由什么组成？

智能虽然是一个抽象概念，但通常认为它由几个关键的认知能力组成：

• 推理
• 学习
• 解决问题
• 感知
• 语言能力

可视化表示可能会展示这些组成部分相互关联，强调智能是由它们的协同作用产生的。

让我们简要探讨这些组成部分：

推理

指进行逻辑思考以得出结论、做出判断和预测的心理过程。主要有两种类型：

归纳推理	演绎推理
从具体观察中得出广泛的普遍结论。即使所有前提都为真，结论也可能只是可能的，而非必然。	从被假定为真的一般陈述或前提出发，检查各种可能性以得出特定的、逻辑上必然的结论。
示例：“我见过的所有天鹅都是白色的。因此，所有天鹅都是白色的。”（后来发现黑天鹅时，此结论被证明是假的。）	示例：“所有哺乳动物都是温血动物。狗是哺乳动物。因此，狗是温血动物。”

学习

通过学习、经验或教导获得知识或技能。人类、许多动物物种和 AI 系统都具备学习能力。学习可以有多种分类方式：

• 听觉学习：通过听觉进行学习（例如，讲座、播客）。
• 情景学习：通过记忆事件序列或个人经历进行学习。
• 运动学习：通过完善身体动作和肌肉协调进行学习（例如，骑自行车、打字）。
• 观察学习：通过观察和模仿他人进行学习（例如，儿童学习社交行为）。
• 知觉学习：学习识别和区分以前遇到的刺激（例如，识别物体、人脸或模式）。
• 关系学习：学习理解刺激或概念之间的关系，而非绝对属性（例如，理解“大于”或“类似于”）。
• 空间学习：通过图像、颜色和地图等视觉刺激进行学习（例如，形成路线的心理地图）。
• 刺激-反应学习：学习在特定刺激存在时执行特定行为（例如，经典条件反射）。

解决问题

识别和分析问题，然后找到从当前情况达到期望解决方案的方法，通常需要克服障碍。它包括决策，即从多个选项中选择最佳方案以实现目标的过程。

感知

从环境中获取、解释、选择和组织感官信息的处理过程。人类通过感官器官实现这一过程。AI 中，感知涉及传感器（例如，相机、麦克风）和算法，将数据处理成对世界的有意义的表征。

语言能力

有效使用、理解、说和写语言的能力。这对交流和知识表示至关重要，构成了 AI 中自然语言处理（Natural Language Processing, NLP）的基础。

AI 的关键子领域

人工智能是一个广泛的学科，包含许多致力于解决现实世界问题的专业研究领域：

机器学习（ML）

AI 最突出的子领域之一。ML 专注于创建无需显式编程即可从数据中学习的系统。算法从数据中识别模式，以便对新的、未见过的数据做出预测或决策。其子领域包括监督学习、无监督学习和强化学习。

逻辑与自动推理

该领域涉及使用形式逻辑（例如，命题逻辑、一阶逻辑）来表示知识并进行推理。它是专家系统、定理证明和规划的基础。

搜索与优化

关注开发算法，以便在庞大的可能性空间中找到最优或接近最优的解决方案。广泛应用于游戏（例如，国际象棋、围棋）、路线规划和资源分配。

人工神经网络（ANNs）和深度学习

ANNs 是受生物神经网络结构和功能启发的计算系统。深度学习涉及具有多层（深层架构）的 ANN，并在计算机视觉、语音识别和 NLP 等领域取得了突破。

进化计算（例如，遗传算法）

受生物进化的启发，这些算法利用选择、变异和交叉等概念来寻找复杂优化和搜索问题的解决方案。

知识表示与推理（KRR）

专注于如何以计算机系统可以利用的形式表示关于世界的信息，以解决复杂任务。这包括本体论、语义网络和基于规则的系统。

AI 的应用

AI 正在改变众多行业和日常生活的方方面面：

游戏

AI 在电子游戏中创建智能对手、非玩家角色（NPC）和动态游戏环境。AI 也用于国际象棋和围棋等策略游戏，以达到超人的表现。

自然语言处理（NLP）

使计算机能够理解、解释和生成人类语言。应用包括机器翻译、聊天机器人、情感分析和语音助手（例如，Siri, Alexa）。

专家系统

AI 系统模仿人类专家在特定领域的决策能力。用于医疗诊断、金融咨询和复杂系统故障排除。

计算机视觉

使机器能够“看”并解释图像或视频中的视觉信息。应用包括人脸识别、物体检测、自动驾驶汽车和医学图像分析。

语音识别

使计算机能够理解口语并将其转换为文本。为语音助手、听写软件和自动化客户服务系统提供支持。

机器人学

AI 为机器人提供感知环境、做出决策和自主执行任务的智能。应用于制造业、物流、医疗保健和探索领域。

认知建模：模拟人类思维

认知建模是一个跨学科领域，旨在理解和模拟人类思维过程。它涉及创建学习、记忆、决策和问题解决等认知功能的计算模型。AI 的一个关键目标是构建能够像人类一样思考和解决问题的机器。认知模型为开发此类 AI 系统提供了见解和框架，影响了机器学习、机器人学和人机交互等领域。

人类思维可以在不同层面概念化，从基本感知和运动控制到复杂的推理和元认知（思考如何思考）。AI 研究经常从这些认知架构中汲取灵感。

智能体与环境

智能体（Agents）和环境（Environments）的概念是理解 AI 系统的核心。

智能体（Agent）

智能体是任何能够通过传感器感知其环境并能通过执行器（或效应器）对其环境采取行动的事物。

• 一个人类智能体将感觉器官（眼睛、耳朵等）作为传感器，将身体部位（手、腿等）作为执行器。
• 一个机器人智能体使用相机、激光雷达等作为传感器，使用电机、抓手等作为执行器。
• 一个软件智能体（或软体机器人）接收输入（例如，击键、网络数据包）作为感官数据，并产生输出（例如，在屏幕上显示、在软件系统中执行操作）作为行动。

环境（Environment）

环境是智能体运行的上下文。它可以从简单的人工环境到复杂的真实世界环境。

有些智能体在完全人工的环境中运行，例如仅限于国际象棋规则和状态的游戏 AI。其他智能体，例如自动驾驶汽车或与互联网交互的软件智能体（例如，网络爬虫、推荐系统），则在丰富、动态且部分可观察的环境中运行。

智能体及其环境之间的交互，由智能体的目标和知识指导，是 AI 中的一个基本范式。